source: icGREP/icgrep-devel/icgrep/re/re_parser.cpp @ 4255

Last change on this file since 4255 was 4255, checked in by nmedfort, 5 years ago

Added Diff to RE Compiler/Parser?. Removed CC.negate()

File size: 12.3 KB
Line 
1/*
2 *  Copyright (c) 2014 International Characters.
3 *  This software is licensed to the public under the Open Software License 3.0.
4 *  icgrep is a trademark of International Characters.
5 */
6
7#include <re/re_parser.h>
8#include <re/re_alt.h>
9#include <re/re_end.h>
10#include <re/re_rep.h>
11#include <re/re_seq.h>
12#include <re/re_start.h>
13#include <re/re_diff.h>
14#include <re/parsefailure.h>
15#include <algorithm>
16
17namespace re {
18
19RE * RE_Parser::parse(const std::string & regular_expression, const bool allow_escapes_within_charset) {
20    RE_Parser parser(regular_expression, allow_escapes_within_charset);
21    RE * re = parser.parse_alt(false);
22    if (re == nullptr) {
23        throw ParseFailure("An unexpected parsing error occurred!");
24    }
25    return re;
26}
27
28inline RE_Parser::RE_Parser(const std::string & regular_expression, const bool allow_escapes_within_charset)
29: _cursor(regular_expression.begin())
30, _end(regular_expression.end())
31, _allow_escapes_within_charset(allow_escapes_within_charset)
32{
33
34}
35
36RE * RE_Parser::parse_alt(const bool subexpression) {
37    std::vector<RE *> alt;
38    for (;;) {
39        alt.push_back(parse_seq());
40        if (_cursor == _end || *_cursor != '|') {
41            break;
42        }
43        ++_cursor; // advance past the alternation character '|'
44    }
45    if (alt.empty())
46    {
47        throw NoRegularExpressionFound();
48    }
49    else if (subexpression) {
50        if (_cursor == _end || *_cursor != ')') {
51            throw ParseFailure("Parenthesization error!");
52        }
53        ++_cursor;
54    }
55    else if (_cursor != _end) { // !subexpression
56        throw ParseFailure("Cannot fully parse statement!");
57    }
58    return makeAlt(alt.begin(), alt.end());
59}
60
61inline RE * RE_Parser::parse_seq() {
62    std::vector<RE *> seq;
63    for (;;) {
64        RE * re = parse_next_token();
65        if (re == nullptr) {
66            break;
67        }
68        seq.push_back(extend_item(re));
69    }
70    if (seq.empty())
71    {
72        throw NoRegularExpressionFound();
73    }
74    return makeSeq(seq.begin(), seq.end());
75}
76
77RE * RE_Parser::parse_next_token() {
78    RE * re = nullptr;
79    if (_cursor != _end) {
80        switch (*_cursor) {
81            case '(':
82                ++_cursor;
83                re = parse_alt(true);
84                break;
85            case '^':
86                ++_cursor;
87                re = makeStart();
88                break;
89            case '$':
90                ++_cursor;
91                re = makeEnd();
92                break;
93            case '|': case ')':
94                break;
95            case '*': case '+': case '?': case ']': case '{': case '}':
96                throw ParseFailure("Illegal metacharacter usage!");
97            case '[':
98                re = parse_charset();
99                break;
100            case '.': // the 'any' metacharacter
101                re = parse_any_character();
102                break;
103            default:
104                re = parse_literal();
105                break;
106        }
107    }
108    return re;
109}
110
111Any * RE_Parser::parse_any_character() {
112    ++_cursor;
113    return makeAny();
114}
115
116RE * RE_Parser::extend_item(RE * re) {
117    if (_cursor == _end) {
118        return re;
119    }
120    switch (*_cursor) {
121        case '*':
122            ++_cursor; // skip past the '*'
123            re = makeRep(re, 0, Rep::UNBOUNDED_REP);
124            break;
125        case '?':
126            ++_cursor; // skip past the '?'
127            re = makeRep(re, 0, 1);
128            break;
129        case '+':
130            ++_cursor; // skip past the '+'
131            re = makeRep(re, 1, Rep::UNBOUNDED_REP);
132            break;
133        case '{':
134            re = parse_range_bound(re);
135            break;
136        default:
137            return re;
138    }
139    // this only occurs if we encountered one of the non-default cases above.
140    return extend_item(re);
141}
142
143inline RE * RE_Parser::parse_range_bound(RE * re) {
144    ++_cursor;
145    throw_incomplete_expression_error_if_end_of_stream();
146    RE * rep = nullptr;
147    unsigned lower_bound;
148    if (*_cursor == ',') {
149        ++_cursor;
150        lower_bound = 0;
151    }
152    else {
153        lower_bound = parse_int();
154    }
155    throw_incomplete_expression_error_if_end_of_stream();
156    if (*_cursor == '}') {
157        rep = makeRep(re, lower_bound, lower_bound);
158    }
159    else if (*_cursor != ',') {
160        throw BadLowerBound();
161    }
162    else { // [^,}]
163        ++_cursor;
164        throw_incomplete_expression_error_if_end_of_stream();
165        if (*_cursor == '}') {
166            rep = makeRep(re, lower_bound, Rep::UNBOUNDED_REP);
167        }
168        else {
169            const unsigned upper_bound = parse_int();
170            if (*_cursor != '}') {
171                throw BadUpperBound();
172            }
173            rep = makeRep(re, lower_bound, upper_bound);
174        }
175    }
176    ++_cursor;
177    return rep;
178}
179
180inline RE * RE_Parser::parse_literal() {
181    // handle the escaped metacharacter (assuming it is one)
182    if (*_cursor == '\\') {
183        return parse_escaped_metacharacter();
184    }
185    else {
186        return makeCC(parse_utf8_codepoint());
187    }
188}
189
190inline RE * RE_Parser::parse_escaped_metacharacter() {
191    ++_cursor;
192    throw_incomplete_expression_error_if_end_of_stream();
193    bool negated = false;
194    switch (*_cursor) {
195        case '(': case ')': case '*': case '+':
196        case '.': case '?': case '[': case '\\':
197        case ']': case '{': case '|': case '}':
198            return makeCC(*_cursor++);
199        case 'u':
200            return makeCC(parse_hex());
201        case 'P':
202            negated = true;
203        case 'p':
204            return parse_unicode_category(negated);
205    }
206    throw ParseFailure("Illegal backslash escape!");
207}
208
209unsigned RE_Parser::parse_utf8_codepoint() {
210    unsigned c = static_cast<unsigned>(*_cursor++);
211    if (c > 0x80) { // if non-ascii
212        if (c < 0xC2) {
213            throw InvalidUTF8Encoding();
214        }
215        else { // [0xC2, 0xFF]
216            unsigned bytes = 0;
217            if (c < 0xE0) { // [0xC2, 0xDF]
218                c &= 0x1F;
219                bytes = 1;
220            }
221            else if (c < 0xF0) { // [0xE0, 0xEF]
222                c &= 0x0F;
223                bytes = 2;
224            }
225            else { // [0xF0, 0xFF]
226                c &= 0x0F;
227                bytes = 3;
228            }
229            while (--bytes) {
230                if (++_cursor == _end || (*_cursor & 0xC0) != 0x80) {
231                    throw InvalidUTF8Encoding();
232                }
233                c = (c << 6) | static_cast<unsigned>(*_cursor & 0x3F);
234                // It is an error if a 3-byte sequence is used to encode a codepoint < 0x800
235                // or a 4-byte sequence is used to encode a codepoint < 0x10000.
236                // if (((bytes == 1) && (c < 0x20)) || ((bytes == 2) && (c < 0x10))) {
237                if ((c << (bytes - 1)) < 0x20) {
238                    throw InvalidUTF8Encoding();
239                }
240            }
241        }
242    }
243    // It is an error if a 4-byte sequence is used to encode a codepoint
244    // above the Unicode maximum.   
245    if (c > CC::UNICODE_MAX) {
246        throw InvalidUTF8Encoding();
247    }
248    return c;
249}
250
251inline Name * RE_Parser::parse_unicode_category(const bool negated) {
252    if (++_cursor != _end && *_cursor == '{') {
253        const cursor_t start = _cursor + 1;
254        for (;;) {
255            if (++_cursor == _end) {
256                throw UnclosedUnicodeCharacterClass();
257            }
258            if (*_cursor == '}') {
259                break;
260            }
261            ++_cursor;
262        }
263        return makeName(std::string(start, _cursor++), negated, Name::Type::UnicodeCategory);
264    }
265    throw ParseFailure("Incorrect Unicode character class format!");
266}
267
268RE * RE_Parser::parse_charset() {
269    std::unique_ptr<CC> cc(makeCC());
270    bool negated = false;
271    cursor_t start = ++_cursor;
272    while (_cursor != _end) {
273        bool literal = true;
274        switch (*_cursor) {
275            case '^':
276                // If the first character after the [ is a ^ (caret) then the matching character class is complemented.
277                if ((start == _cursor) && !negated) {
278                    negated = true;
279                    start = ++_cursor; // move the start ahead in case the next character is a ] or -
280                    literal = false;                   
281                }
282                break;
283            case ']':
284                // To include a ], put it immediately after the opening [ or [^; if it occurs later it will
285                // close the bracket expression.
286                if (start == _cursor) {
287                    cc->insert(']');
288                    ++_cursor;
289                    literal = false;
290                    break;
291                }
292                ++_cursor;
293                if (negated) {
294                    return makeDiff(makeAny(), cc.release());
295                }
296                return cc.release();
297            // The hyphen (-) is not treated as a range separator if it appears first or last, or as the
298            // endpoint of a range.
299            case '-':
300                if (true) {
301                    literal = false;
302                    const cursor_t next = _cursor + 1;
303                    if (next == _end) {
304                        throw UnclosedCharacterClass();
305                    }
306                    if ((start == _cursor) ? (*next != '-') : (*next == ']')) {
307                        _cursor = next;
308                        cc->insert('-');
309                        break;
310                    }
311                }
312                throw ParseFailure("Invalid Lower Range Bound!");
313            // case ':':
314        }
315        if (literal) {
316            unsigned low;
317            if (parse_charset_literal(low)) {
318                // the previous literal allows for a - to create a range; test for it
319                if (_cursor == _end) {
320                    break; // out of loop to failure handling
321                }
322                if (*_cursor == '-') { // in range unless the next character is a ']'
323                    if (++_cursor == _end) {
324                        break; // out of loop to failure handling
325                    }
326                    if (*_cursor != ']') {
327                        unsigned high;
328                        if (!parse_charset_literal(high)) {
329                            throw ParseFailure("Invalid Upper Range Bound!");
330                        }
331                        cc->insert_range(low, high);
332                    }
333                    continue;
334                }
335            }
336            cc->insert(low);
337        }
338    }
339    throw UnclosedCharacterClass();
340}
341
342inline bool RE_Parser::parse_charset_literal(unsigned & literal) {
343    if (_cursor == _end) {
344        return false;
345    }
346    if (*_cursor == '\\') {
347        if (++_cursor == _end) {
348            throw ParseFailure("Unknown charset escape!");
349        }
350        switch (*_cursor) {
351            case '(': case ')': case '*': case '+':
352            case '.': case '?': case '[': case '\\':
353            case ']': case '{': case '|': case '}':
354            case '-':
355                if (_allow_escapes_within_charset) {
356                    literal = *_cursor++;
357                    return true;
358                }
359                break;
360            case 'u':
361                literal = parse_hex();
362                return true;
363            // probably need to pass in the CC to handle \w, \s, etc...
364        }
365        throw ParseFailure("Unknown charset escape!");
366    }
367    else {
368        literal = parse_utf8_codepoint();
369        return true;
370    }
371    return false;
372}
373
374unsigned RE_Parser::parse_int() {
375    unsigned value = 0;
376    for (; _cursor != _end; ++_cursor) {
377        if (!isdigit(*_cursor)) {
378            break;
379        }
380        value *= 10;
381        value += static_cast<int>(*_cursor) - 48;
382    }
383    return value;
384}
385
386unsigned RE_Parser::parse_hex() {
387    if (++_cursor != _end && *_cursor == '{') {
388        unsigned value = 0;
389        for (++_cursor; _cursor != _end; ++_cursor) {
390            const char t = *_cursor;
391            if (t == '}') {
392                ++_cursor;
393                return value;
394            }
395            value *= 16;
396            if (t >= '0' && t <= '9') {
397                value |= (t - '0');
398            }
399            else if ((t | 32) >= 'a' && (t | 32) <= 'f') {
400                value |= ((t | 32) - 'a') + 10;
401            }
402            else {
403                break;
404            }
405        }
406    }
407    throw ParseFailure("Bad Unicode hex notation!");
408}
409
410inline void RE_Parser::throw_incomplete_expression_error_if_end_of_stream() const {
411    if (_cursor == _end) throw IncompleteRegularExpression();
412}
413
414}
Note: See TracBrowser for help on using the repository browser.